Eric Jang

维基
, , , ,
1

美国研究工程师与机器人学家，因共同发明 Gumbel-Softmax 分布以及领导 1X Technologies 公司人形机器人的 AI 开发而闻名。

个人简介
国籍 美国
教育背景 布朗大学（2012–2016）应用数学与计算机科学理学学士、计算机科学理学硕士
前任职机构 Google / Robotics at Google（Google DeepMind Robotics）
研究方向 机器人学、模仿学习、强化学习、生成模型、机器人基础模型
个人网站 evjang.com
X / Twitter @ericjang11
GitHub ericjang
Google Scholar Eric Jang

概述

Eric Jang 是一位美国研究员和工程师，其工作横跨深度学习理论与实体机器人学的交叉领域。他最广为人知的贡献是作为 Gumbel-Softmax（Concrete）分布的共同发明者——这一基础技术使得通过离散类别样本的反向传播成为可能——发表于 ICLR 2017，如今在生成建模与结构化预测中已无处不在。在 Google Robotics，他花了六年时间将大规模模型深度学习的发展理念应用于物理操作，参与了包括 SayCan、QT-Opt、Grasp2Vec 和 BC-Z 在内的多个里程碑式项目。从 2022 年到 2026 年初，他担任 1X Technologies（前身为 Halodi Robotics）的 AI 副总裁，从零组建了 AI 团队，并主导了 NEO 人形机器人的 Redwood AI 模型与 1X World Model 的开发。他于 2026 年 1 月离开 1X，目前正处于自称为“休假年”的阶段，探索 AI 与机器人学研究的新方向。

早年生活与教育

Jang 于 2012 年至 2016 年间就读于布朗大学，同时修读了应用数学与计算机科学理学学士以及计算机科学理学硕士。在 2013 年至 2015 年间，他曾在皮克斯、谷歌和 Two Sigma 实习，他后来将这些经历描述为塑造其在理论与工程交叉领域应用研究直觉的关键。他的早期博客文章——包括在 TensorFlow 中对 GAN 和变分自编码器的详细实现——在当时还是一名本科生时就为他奠定了在机器学习社区中的公众形象。

职业生涯

Google Robotics / Google DeepMind Robotics（2016–2022）

Jang 于 2016 年加入 Google 机器人团队，担任高级研究科学家，任职六年。他的研究专注于将“丰富数据与简单学习算法和强大计算相结合，其效果优于精心设计的系统”这一原则应用于机器人领域。

在此期间，他最常被引用的个人贡献是与 Shixiang Gu 和 Ben Poole 共同发明的 Gumbel-Softmax 分布，这是一种从类别分布中进行可微采样的方法，以论文《Categorical Reparameterization with Gumbel-Softmax》发表于 ICLR 2017。与此同时，DeepMind 的 Chris Maddison、Andriy Mnih 和 Yee Whye Teh 独立发现了该技术，并将其命名为 Concrete Distribution；两篇论文如今都是涉及离散潜变量工作的标准引用。

在机器人方面，他共同领导了 Google Brain Moonshot 团队——一个由 20 多位研究人员组成的小组——该团队产出了 SayCan（《Do As I Can, Not As I Say》，2022 年），这是一个将大型语言模型推理扎根于机器人可供性，从而在真实厨房环境中实现长时域移动操作的系统。他还参与了 QT-Opt（一个用于基于视觉的抓取的大规模深度强化学习系统）、Grasp2Vec（通过自监督表示学习实现实例抓取）、Time Contrastive Networks（TCN，用于跨本体的模仿学习）以及 BC-Z（一个通过语言条件演示的行为克隆实现零样本任务泛化的系统）。他还开发了 Tensor2Robot，这是一个被机器人操作团队和 Everyday Robots 使用的机器学习框架。

在此期间，他曾担任 ICML、CoRL 和 NeurIPS 的领域主席，并为多个其他会议担任审稿人。

1X Technologies / Halodi Robotics（2022–2026）

该公司的一个关键转折点出现在 2022 年，当时 Halodi 开始将其人形硬件与现代 AI 方法相结合，聘请了前 Google Brain 研究员 Eric Jang 作为其在加州的第一位员工。2023 年 3 月，Halodi 更名为 1X Technologies，并完成了由 OpenAI Startup Fund 领投的 2350 万美元 A 轮融资。

Jang 和他的第一位员工最初在车库里工作了几个月以节省开支，之后公司才扩大了其在湾区的业务范围。作为 AI 副总裁，他负责组建的团队承担了强化学习全身控制器、视觉-语言-动作模型（VLA）、视觉-语言模型（VLM）、世界模型、模拟基础设施以及 EVE 和 NEO 机器人的数据引擎。他领导了 Redwood AI 的开发，这是 NEO 人形机器人的一个端到端机载 AI 模型，1X 将其描述为首批用于双足机器人的统一全身移动操作系统之一。他还负责 1X World Model（1XWM），这是一个生成式认知核心，使机器人在执行任务前能够模拟任务。

Jang 的任职期以挑战传统机器人范式的数据优先理念为特点，他于 2026 年 1 月的离职恰逢 1X 发布其世界模型重大演进的巅峰时期。

休假年（2026 年至今）

离开 1X 后，Jang 进入了他自称为的休假年。他一直在重新实现深度学习论文，前往中国与机器人生态系统的公司会面，并正在为他的博客撰写一个大型教程项目。他目前面向公众的项目 AutoGo 涉及使用现代 AI 工具从零重建 AlphaGo，他以一次长篇技术访谈和配套教程的形式进行了介绍。他的博文《Leaving 1X》阐述了他对于下一代 AI“魔法对象”——生成式视频模型、推理系统——的论点，他认为这些将释放机器人学的新可能性。

主要贡献

  • Gumbel-Softmax / Concrete 分布 — 与 Shixiang Gu 和 Ben Poole 共同发明了一种梯度估计器，使得通过类别离散样本的反向传播成为可能，发表于 ICLR 2017。与 DeepMind 的《Concrete Distribution》论文同时且独立确认。现为训练具有离散潜变量模型的标准工具。

  • SayCan — Do As I Can, Not As I Say（2022 年） — 共同领导由 20 多位研究人员组成的 Brain Moonshot 团队，将大型语言模型规划扎根于真实机器人的价值函数，实现了厨房环境中数百项长时域移动操作任务。是 LLM-机器人领域被引用最多的论文之一。

  • BC-Z: Zero-Shot Task Generalisation with Robotic Imitation Learning（2021 年） — 证明了在语言条件的遥操作演示上进行行为克隆可以泛化到未见过的任务指令；引入了包括动作分块和辅助预测头在内的关键设计模式，这些后来成为视觉-语言-动作模型的标准组成部分。

  • QT-Opt: Scalable Deep RL for Vision-Based Robotic Manipulation（2018 年） — 在真实机器人硬件上，基于单目 RGB 图像进行抓取的大规模强化学习系统，展示了物体分离和故障重试等涌现行为。

  • Time Contrastive Networks（TCN）（2017 年） — 提出了用于机器人模仿的无监督多视角表示学习，使得机器人能够从单个演示视频中模仿人类的倒水行为，而无需显式的对应关系。

  • Grasp2Vec（2018 年） — 无需物体标注的自监督实例抓取，通过机器人自身的抓取交互学习物体表示。

  • Tensor2Robot — 面向 Google Robotics 操作团队的开源机器学习框架，标准化了团队内部的模型训练流程。

  • Normalizing Flows 教程（2018 年） — 分为两部分，面向广泛机器学习受众的博客教程，使用 JAX 实现。成为该主题最常被引用的非正式介绍之一，并在 JAX 早期发展阶段帮助推广了该技术以及 JAX 本身。

  • AutoGo（2026 年） — 使用现代 AI 工具从零重建 AlphaGo 的开源项目；对 MCTS、自我对弈及其与 LLM 推理关系的教学探索，通过教程记录，并以长篇公开技术讨论的形式呈现。

奖项与认可

  • ICLR 2017 接收 — Gumbel-Softmax 论文作为海报被该领域最具选择性的会议之一接收。
  • WIRED 专题报道 — 使用神经网络打开带锁门的工作被《连线》杂志专题报道。
  • Google AI 博客专题报道 — 多个项目（Semantic Grasping、QT-Opt、Grasp2Vec、RetinaGAN、BC-Z）被 Google AI 博客专题报道，这是对高影响力研究的内部认可。
  • 领域主席 — 被 ICML、CoRL 和 NeurIPS 选为领域主席。

关键人际关系

  • Shixiang Gu 与 Ben Poole — Gumbel-Softmax 论文的共同作者；Gu 介绍了 Gumbel-Max 技巧，Poole 贡献了半监督实验和数学推导。
  • Sergey Levine — 在 Google 就 QT-Opt、Grasp2Vec 和 BC-Z 的经常合作者；机器人学习领域的领军人物。
  • Vincent Vanhoucke — Google Brain 负责人，鼓励 Jang 探索 Gumbel-Softmax 想法；语义抓取和 QT-Opt 的共同作者。
  • Chris Maddison、Andriy Mnih 与 Yee Whye Teh — DeepMind 独立共同发现 Concrete 分布者；同时发现是机器学习史上的著名事件。
  • Berndt Børnich — 1X Technologies 的 CEO 和创始人；Jang 作为第一位加州员工加入 Børnich 公司，并帮助公司转向家用人形机器人。
  • Dwarkesh Patel — 2026 年 5 月主持了与 Jang 的长篇播客，内容涵盖 AlphaGo、MCTS 和 LLM 中的强化学习；对话也广泛反思了搜索与学习之间的关系。

个人风格

Jang 以罕见的直率笔触书写研究和职业决策的现实——他关于离开 Google Brain 和离开 1X 的博文是对背后推理和不确定性的坦诚第一人称叙述，在一个以公告式沟通为主流的领域中实属罕见。他的技术感建立在他称为“苦涩教训”的信念之上：丰富数据与简单可扩展算法的结合始终胜过精心设计的工程，而识别下一个“魔法对象”——一个具有惊人泛化能力的新模型家族或能力——是 AI 研究中最高杠杆的行为。他是一位多产的技术博客作者，其独特风格融合了系统级工程细节与关于智能、模拟和计算的更广泛哲学思辨。他的公众追随者群体涵盖了寻求教程的从业者以及对他在具身 AI 方向上的观点感兴趣的研究人员。

参考文献

——